LangChain 官方文档：
python
https://reference.langchain.com/python/langchain
models:
https://docs.langchain.com/oss/python/langchain/models
https://docs.langchain.com/oss/python/integrations/chat
https://reference.langchain.com/python/langchain-core/language_models
https://docs.langchain.com/oss/python/langchain/models#parameters
https://docs.langchain.com/oss/python/integrations/providers/ollama
提示词文档：
https://api-docs.deepseek.com/zh-cn/prompt-library
https://reference.langchain.com/python/langchain-core/prompts
https://docs.langchain.com/langsmith/prompt-engineering-concepts
https://docs.langchain.com/oss/python/langchain/messagespython环境安装
python
想让当前虚拟环境以后默认走清华源，可先执行：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
- 安装langchain
- 安装langchain-openai
- 安装openai
- 安装dotenv
- 安装langchain-core
# langchain 提供核心框架（Chain, Agent, Memory, Retriever等）
pip install langchain -i https://pypi.tuna.tsinghua.edu.cn/simple
# 提供OpenAI专用组件（LLM, Chat, Embeddings等），依赖 openai SDK
pip install langchain-openai -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install openai -i https://pypi.tuna.tsinghua.edu.cn/simple
# 通过 python-dotenv 库读取 env 文件中的环境变量，并加载到当前运行的环境中
pip install python-dotenv -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install langchain-core
本地大模型安装环境：
pip install -qU langchain-ollama
pip install -U ollamalangchain 0.3版本 与1.0版本的写法
0.3版本
python
from langchain_openai import ChatOpenAI
from openai import OpenAI
import os
from dotenv import load_dotenv
load_dotenv(encoding='utf-8')
llm = ChatOpenAI(
model="deepseek-v3.2",
# 配置进环境变量
api_key=os.getenv("QWEN_API_KEY"),
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
#
# # 2.提供问题，并调用llm
response = llm.invoke("你是谁")
print(response)
print()
print(response.content)1.0版本
python
# LangChain1.0+版本使用方式,目前主流
# 1.导入依赖
import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
#通过 python-dotenv 库读取 env 文件中的环境变量，并加载到当前运行的环境中
load_dotenv(encoding='utf-8')
model2 = init_chat_model(
model="deepseek-v3",
model_provider="openai",
api_key=os.getenv("QWEN_API_KEY"),
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")
# 3.调用模型
print(model2.invoke("你是谁").content)Model I/O 大模型接口
I/O三件套
1，输入提示词
2，调用模型
3，解析输出
参数作用：
本地模型部署 Ollama
Ollama 本地安装教程：
OllamaSetup.exe /DIR=D:\j\MySoftware\ollama
手动配置拉去大模型存放位置：
python
环境变量
OLLAMA_MODELS
D:\devSoft\Ollama\models
ollama 常用命令
python
Ollama 常用命令速查表
| 命令 | 一句话说明 |
|---|---|
| `ollama pull llama3` | 下载指定模型（例：llama3）。 |
| `ollama run llama3` | 启动并进入该模型交互对话。 |
| `ollama list` | 列出本机已下载的所有模型。 |
| `ollama rm llama3` | 删除不再需要的模型以节省磁盘。 |
| `ollama cp llama3 my-llama3` | 本地复制/重命名模型。 |
| `ollama show llama3` | 查看模型详细信息（参数、大小等）。 |
| `ollama create my-model -f Modelfile` | 用自定义 Modelfile 构建新模型。 |
| `ollama serve` | 启动后台服务，供 API 调用。 |
| `ollama ps` | 查看当前正在运行的模型进程。 |
| `ollama stop llama3` | 停止正在运行的模型。 |
/bye提示词
langchain 内置消息类型：
python
spring AI
SYSTEM("system") 设定Ai 行为边界/角色/定位。指导AI 的行为和响应方式，设置AI 如何解释和回复输入的
USER("user") 用户原始提问输入，代表用户的输入他们向AI提出的问题，命令或陈述
ASSISTANT("assistant") ai返回的响应信息，定义为 "助手角色"消息，用它可以确保上下文能够连贯的交互；记忆对话，积累回答
TOOL("tool") 桥接外部服务，可以进行函数调用如，支付，数据查询等操作，类似调用第3方util工具类，Langchain
python
SystemMessage : 边界，角色，定位
HumanMessage：用户输入
AIMessage：模型输出
ToolMessage(v1.0)/FunctionMessage(v0.3) 工具消息提示词模板
python
PromptTemplate 提示词模板：
分类：
1,PromptTemplate:文本生成模型提示词模板，用户字符串拼接变量生成提示词
2,ChatPromptTemplate：聊天模型提示词模板，使用与如gpt-3.5turbo,gpt-4 等聊天模型
消息模板：
a,ChatMessagePromptTemplate
b,SystemMessagePromptTemplate
c,HumanMessagePromptTemplate
d,AIMessagePromptTemplate
3,FewshotPromptTemplate：
4,PipelinePrompt ：管道提示词模板，用于几个提示词组合在一起使用提示词参数
在 LangChain 中，PromptTemplate 是构建提示词的核心组件，它允许我们创建可复用的模板，通过变量占位符动态生成提示词。理解其参数对于高效使用至关重要。
核心参数详解
python
主要参数：
template：定义提示词模板的字符串，其中包含文本和变量占位符（如{name}） ；
input_variables： 列表，指定了模板中使用的变量名称，在调用模板时被替换；
partial_variables：字典，用于定义模板中一些固定的变量名。这些值不需要再每次调用时被替换。
函数方法介绍：
format()：给input_variables变量赋值，并返回提示词。利用format() 进行格式化时就一定要赋值，否则会报错。当在template中未设置input_variables，则会自动忽略。